مدلهای جهان: سه کاری که واقعاً میکنن
هوش مصنوعی
گوگلخلاصهٔ کاملتر
نویسندهها (فِیفِی لی و تیم World Labs) میگن مدلهای زبانی (language models) به ماشینها تسلط فوقالعادهای روی مفاهیم و استدلال دادن، ولی دنیای فیزیکی روی یه بستر دیگه میچرخه. جایی که مدل زبانی ساختار آماریِ متن رو یاد میگیره، مدل جهان ساختار آماریِ فضا و زمان رو یاد میگیره؛ اینکه نور چطور روی سطح میافته و اجسام چطور به نیرو واکنش نشون میدن. مشکل اینه که «مدل جهان» یکی از پُربارترین و در عین حال مبهمترین اصطلاحهای امروزِ این حوزهست و بینایی ماشین، رباتیک و هوش مصنوعی مولد هر کدوم یه چیز متفاوت ازش میفهمن.
به گفتهٔ نویسندهها ریشهٔ این اصطلاح به یه دیاگرام قدیمیِ یادگیری تقویتی برمیگرده که بهش POMDP میگن. یه عامل (انسان، ربات یا نرمافزار) کنش انجام میده، اون کنش روی وضعیت (state) دنیا اثر میذاره، ولی عامل وضعیت رو مستقیم نمیبینه و فقط مشاهده (observation) بهش میرسه؛ مثل نوری که به شبکیه میخوره یا پیکسلهای یه فریم. مشاهدهٔ جدید کنش جدید میسازه و این حلقه ادامه پیدا میکنه. نویسنده میگه چیزایی که امروز اسمشون مدل جهانه، در واقع تصویرهای مختلفِ همین یه حلقهان.
از همینجا سه نقش بیرون میآد. اولی رندرر (renderer) هست که خروجیش پیکسلِ مخصوص چشم آدمه و مهمترین چیز براش وفاداریِ بصریه؛ مثل مدلی که یه پرامپت متنی رو به نمای سینمایی تبدیل میکنه یا Google Genie 3. این مدل درک صریحی از ساختار سهبُعدی نداره، برای همین ساختمونی که از بالا بینقص دیده میشه، وقتی بخوای از تو شهرش رد شی فرومیپاشه.
دومی شبیهساز (simulator) هست که خروجیش خودِ وضعیته؛ یه بازنماییِ هندسی و فیزیکیِ وفادار که هم آدمها و هم برنامهها میتونن روش حساب کنن. قراردادِ رندرر فقط بصریه ولی قراردادِ شبیهساز ساختاریه و باید هندسه و قوانین نیوتن رو رعایت کنه. معمار و فیلمساز بهش بهخاطر دقت نیاز دارن، و عاملهای یادگیری تقویتی و ماشینهای خودران ازش بهعنوان زمین تمرین استفاده میکنن. سومی هم برنامهریز (planner) هست که خروجیش کنشه؛ با گرفتن یه مشاهده و یه هدف جواب میده عامل بعدی چیکار کنه و در واقع عکسِ رندرره.
نویسندهها معتقدن از این سهتا، شبیهسازی کمترین توجه رو میگیره ولی مهمترینه. رندرر از همه تجاریتره و محصولاتِ متنبهویدئو دارن سریع رشد میکنن، ولی چون برای زیباییِ بصری بهینه شدن نمیشه بهشون برای طراحی ساختمون یا تمرین ربات اعتماد کرد. برنامهریز هم جذابترین و نوپاترینه؛ دموهای رباتیکِ دو سال اخیر چشمگیرن ولی تقریباً همهشون تو آزمایشگاهِ خیلی محدود بودن و هیچکدوم تو پیچیدگیِ دنیای واقعی اعتبارسنجی نشدن.
به گفتهٔ نویسندهها شبیهسازی پلِ بین اون دوتاست. اگه زبان انتزاعی از دنیا باشه و پیکسل پرتابی ازش، هندسه و فیزیک و دینامیک خودِ دنیان. مدلی که شبیهسازی رو بلد باشه میتونه درکش رو هم به پیکسل برای آدم و هم به پیشبینیِ کنش برای ربات تبدیل کنه، ولی مدلی که فقط رندر یا فقط برنامهریزی بلده نمیتونه. سختترین مسئلههای باز هم همینجان: دادهٔ سهبُعدی با هندسهٔ صریح خیلی کمیابتر از ویدئوی اینترنته، و شکافِ sim-to-real (تفاوت رفتار تو شبیهسازی و واقعیت) هنوز پابرجاست.
محصولِ Marble از World Labs اولین قدمِ اونها تو این مسیره که از پرامپت چندوجهی، محیط سهبُعدیِ قابلکاوش میسازه و هم Gaussian splat برای دیدن و هم collision mesh برای موتور فیزیک میده. نویسندهها میگن مهمترین الگوی فعلیِ حوزه اینه که این سه دسته دارن تو هم ادغام میشن، چون دانشِ لازم برای رندر، شبیهسازی و کنش تو یه دنیا تقریباً یکیه. نقطهٔ پایانیِ منطقیش یه مدل جهانِ یکپارچهست؛ یه مدل پایه که بسته به نیازِ مصرفکننده بین این خروجیها سوئیچ کنه.
نکات کلیدی:
- «مدل جهان» اصطلاح مبهمیه و نویسندهها سه نقش متمایز ازش جدا میکنن: رندرر، شبیهساز و برنامهریز.
- رندرر پیکسل میده و تجاریترینه ولی فقط برای زیباییِ بصری بهینه شده و قابلاعتماد برای فیزیک نیست.
- شبیهساز وضعیتِ هندسی و فیزیکیِ واقعی میده و بهنظر نویسندهها مهمترین و کمتوجهترینِ این سهتاست.
- برنامهریز کنش تولید میکنه، نوپاترینه و دموهاش هنوز تو دنیای واقعی اعتبارسنجی نشدن.
- هر سه دارن به سمت یه مدل جهانِ یکپارچهٔ واحد همگرا میشن؛ Marble از World Labs اولین قدم تو این مسیره.
